我有一个随机森林模型，我想仅对一个输入进行评分预测。
计算评分的代码如下：
x_small=X_valid.head(1)y_small=y_valid.head(1) Ypredict = Pickled_LR_Model.predict(x_small) print(Ypredict)small_score = Pickled_LR_Model.score(x_small, y_small) print("Test score: {0:.2f} %".format(100 * small_score)) 我遇到的错误是：
UndefinedMetricWarning: R^2 score is not well-defined with less than two samples.错误信息已经很清楚了。是否有办法预测单一输入的模型评分或其他相关评分？我当前的模型将托管在一个Flask应用程序中，输入将仅为单个记录。
回答：
正如错误信息所述，R平方对于单一预测没有明确定义；实际上，对单一预测进行评分通常也没有意义。
尽管如此，如果您出于其他原因（例如编程）必须这样做，您可以使用其他回归性能指标，比如RMSE或MAE（它们对于单一预测按定义是相等的）：
from sklearn.metrics import mean_squared_error, mean_absolute_error# 虚拟数据 - 必须是单元素数组，否则会抛出错误y_true = [3]y_pred = [2.5]# RMSE:mean_squared_error(y_true, y_pred, squared=False)# 0.5# MAE:mean_absolute_error(y_true, y_pred)# 0.5值得注意的是，在这种预测环境中，RMSE和MAE作为性能度量比R平方更有意义；有关详细信息，请参见scikit-learn & statsmodels – 哪个R平方是正确的？中的回答的最后一部分
请注意，这些数值应按原样呈现，不应作为百分比（再次强调，对于单一预测计算任何百分比数值都没有意义）；您可能已经注意到，在单一预测的特殊情况下，它们有一个非常自然的解释，即它们只是预测与真实值之间的差异（这里是0.5）。
既然已经澄清了这一点，您当然可以让您的代码更有效，只需计算预测与真实值之间的差异：
import numpy as npnp.array(y_true) - np.array(y_pred) # 对简单的Python列表不起作用# array([0.5])这样您可以确信您计算的是RMSE/MAE，而不是其他临时方法。
